VK: ML-ранжирование историй, новые признаки дали около 20 % просмотров

Истории в ленте ВКонтакте сначала запустили в формате MVP: пользователю показывали истории друзей и сообществ по времени, свежие сверху. Подход годился для проверки гипотезы и сбора первичных данных. Из сотен подписок пользователю интересна лишь часть, и простая эвристика не давала нужного эффекта. Команде рекомендаций ленты (AI VK) требовалось персонализировать порядок историй и повысить число их просмотров, сохранив вовлечённость в виде лайков и репостов.

Команда обучила модель, которая предсказывает релевантность каждой истории конкретному пользователю, и построила двухуровневую схему: скоры историй агрегируются по авторам, затем ранжируются авторы, а истории одного автора идут подряд. Первая версия использовала лёгкий классификатор, затем целевой метрикой стало открытие истории, а обучение перешло на мультитаргетный pairwise-лосс с учётом лайков, репостов и ответов. Модель обучается на внутреннем XGBoost-Spark: форке XGBoost, распределённом через Spark. Набор признаков расширили счётчиками автора, признаками пары «пользователь — автор», эмбеддингами факторизации и тематикой историй.

Каждую группу признаков проверяли A/B-тестами. По данным команды, переход на новую целевую метрику и ранжирование по авторам дал около 15 % просмотров историй сверх предыдущего подхода, а совокупный набор признаков прибавил около 20 % сверх предыдущего уровня. Финальная модель с мультитаргетным лоссом дала небольшой плюс к просмотрам и двузначный рост суммарных лайков и репостов. Собственная реализация XGBoost-Spark сократила обучение с нескольких дней до считанных часов. Модель обучается офлайн на накопленных данных и периодически обновляется; в планах онлайн-подстройка под поведение пользователя. Материал опубликован руководителем команды рекомендации ленты на Хабре 16 сентября 2025 года.